Monte Carlo Simülasyonu (Karar Modelinde Belirsizlik Yayılımı)

Monte Carlo simülasyonu, tek başına bir sıralama yöntemi değildir; bir sıralama yönteminin (TOPSIS, SAW, VIKOR gibi) sonucunu, girdilerdeki belirsizlik altında ne kadar güvenilir olduğunu test etmek için kullanılan bir yapı taşıdır. DecisionMind'da bu yapı taşı, seçtiğiniz "ev sahibi" bir sıralama yönteminin içine yerleşir. Adını, rastgele sayı üretimine dayanan hesaplama tekniğini tanıtan Metropolis ve Ulam'ın (1949) makalesinden alır. Çok kriterli karar analizinde ağırlık ve performans belirsizliğini yaymak için kullanılması ise sonraki literatürde geliştirilmiştir (Butler, Jia ve Dyer, 1997). Çıktısı tek bir sıra değil, her seçeneğin hangi sırada ne sıklıkla çıktığını gösteren bir olasılık dağılımıdır.

Sıralama yöntemlerinin çoğu, ağırlıkların ve tablo değerlerinin kesin olarak bilindiğini varsayar. Gerçekte ağırlıklar genelde bir uzman görüşünün ortalamasıdır ve biraz farklı bir uzman grubu biraz farklı ağırlıklar verebilirdi. Monte Carlo simülasyonunun sorduğu soru şudur: "Eğer ağırlıklar (ya da tablo değerleri) biraz farklı çıksaydı, sıra yine aynı mı olurdu?" Yöntem bu soruyu binlerce kez, her seferinde ağırlıkları (ya da performans değerlerini) belirlenen bir olasılık dağılımından rastgele örnekleyerek ve her örnek için ev sahibi yöntemi yeniden çalıştırarak cevaplar.

Bu fikrin bir sonucu vardır: Monte Carlo simülasyonu bir seçim yapmaz, bir seçimin ne kadar sağlam olduğunu ölçer. Bir seçenek binlerce denemenin çoğunda birinci çıkıyorsa, o seçeneğin önde olması ağırlıklardaki küçük belirsizliklere dayanıklıdır. Bir seçenek yalnız belirli bir dar ağırlık aralığında birinci çıkıyorsa, o seçeneğin önde olması kırılgandır ve rapor bunu açıkça söylemelidir.

Yöntem beş adımda ilerler.

Birinci adım, belirsizlik tanımı ve başlangıç sırası. Önce ağırlıkların ya da performans değerlerinin ne kadar belirsiz olduğu bir olasılık dağılımıyla tanımlanır (örneğin ağırlıklar için bir Dirichlet dağılımı, performans değerleri için bir normal dağılım). Ayrıca verilen nominal ağırlıklarla ev sahibi yöntem bir kez çalıştırılır ve başlangıç sırası bulunur.

İkinci adım, örnekleme. Belirlenen dağılımdan binlerce rastgele ağırlık takımı (ya da performans tablosu) çekilir. Ağırlıklar için kullanılan Dirichlet dağılımı, örneklenen ağırlıkların toplamının her zaman 1 kalmasını sağlar; dağılımın "konsantrasyon" parametresi ne kadar yüksekse örnekler nominal ağırlıklara o kadar yakın kalır.

Üçüncü adım, tekrarlı hesap. Her örnek için ev sahibi yöntem (örneğin TOPSIS) baştan çalıştırılır ve o örneğin sırası kaydedilir.

Dördüncü adım, sıra kabul edilebilirlik indeksi. Binlerce denemenin sonunda, her seçenek için "kaç kez birinci, kaç kez ikinci, kaç kez sonuncu çıktığı" sayılıp toplam deneme sayısına bölünerek bir olasılık tablosu (RAI) elde edilir.

Beşinci adım, beklenen sıra. Her seçeneğin RAI tablosundaki sıra olasılıkları ağırlıklı ortalanarak bir "beklenen sıra" bulunur; beklenen sırası en küçük (yani ortalama olarak en sık öne çıkan) seçenek en sağlam seçenektir. Birinci sırada çıkma olasılığı (top-1 olasılığı) da ayrı bir sağlamlık göstergesi olarak raporlanır.

Adımların formülleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Monte Carlo simülasyonunun çıktısı tek bir puan değil, bir olasılık tablosudur. "A2, %92 ihtimalle birinci çıkıyor" ifadesi, A2'nin gerçek dünyada %92 ihtimalle en iyi seçenek olduğu anlamına gelmez; yalnız, belirlenen belirsizlik aralığında örneklenen ağırlık takımlarının %92'sinde ev sahibi yöntemin A2'yi birinci sıraya koyduğu anlamına gelir. Bu oran, hem seçilen belirsizlik dağılımına (ağırlıklar ne kadar geniş bir aralıkta değişebilir sayıldı) hem ev sahibi yönteme bağlıdır; TOPSIS ile SAW aynı belirsizlik altında farklı sağlamlık tabloları üretebilir.

Bir seçeneğin hiçbir zaman birinci çıkmaması ama hiçbir zaman sonuncu da çıkmaması, o seçeneğin "orta karar" bir uzlaşma seçeneği olduğunu gösterebilir; bu, nominal (tek ağırlıklı) sonuçta görünmeyen bir bilgidir. Bu yüzden Monte Carlo simülasyonu, tek bir sıra raporlamak yerine "bu sıra ne kadar güvenilir" sorusuna da cevap vermelidir.

Bu nedenle:

"Monte Carlo simülasyonu A2'nin en iyi seçenek olduğunu doğruladı"

yerine:

"Ağırlıklardaki makul belirsizlik altında A2 denemelerin şu kadarında birinci çıkmıştır; bu oran ev sahibi yönteme ve varsayılan belirsizlik aralığına bağlıdır"

biçiminde yazmak doğrudur.

Monte Carlo simülasyonu kesin (crisp) bir karar tablosu ve ağırlık takımı üzerinde çalışır; bu tabloyu kesinmiş gibi almaz, üzerine bir belirsizlik dağılımı ekler. DecisionMind'da bu yapı taşının başka veri türünde ayrı bir uzantısı yoktur. Elinizde şunlar olmalı: ev sahibi bir sıralama yöntemi için gereken tam karar tablosu ve nominal ağırlıklar, ayrıca ağırlıkların (ya da performans değerlerinin) ne kadar belirsiz sayılacağına dair bir tercih (örneğin Dirichlet dağılımının konsantrasyon parametresi) ve kaç deneme yapılacağı (tipik olarak birkaç bin). Deneme sayısı çok düşükse (birkaç yüzün altı) olasılık tahminleri kararsız kalır.

Bu kartın yazıldığı tarihte DecisionMind motorunda bu yapı taşı, hangi ev sahibi yöntemle ve hangi belirsizlik modeliyle çalıştırılacağının açıkça seçilmesini bekleyen bir durumdadır; DecisionMind ekibi bu bağlantıyı tamamlıyor. Bu kartta gösterilen sayılar, yöntemin literatürdeki tanımına göre bu kartın yazarı tarafından Python ile hesaplanmıştır.

Ağırlıklarınız uzman görüşünden geliyorsa, farklı uzmanların biraz farklı ağırlık verebileceğini biliyorsanız ve sıranın bu farka ne kadar dayanıklı olduğunu göstermek istiyorsanız Monte Carlo simülasyonu uygun bir tamamlayıcı adımdır. Ayrıca yüksek riskli kararlarda (kamu yatırımı, güvenlik yatırımı gibi) "sıra tek bir ağırlık takımına mı bağlı" sorusuna cevap vermek için kullanılır.

Ağırlıklarınız net ve tartışmasızsa, ya da hesaplama kaynağınız birkaç bin tekrarlı bir simülasyona elverişli değilse Monte Carlo simülasyonu gereksiz bir katman ekler. Belirsizlik dağılımının kendisi (ne kadar geniş, hangi biçimde) gerekçesiz seçilirse, sağlamlık sonucu da o gerekçesiz seçime bağlı kalır.

Ağırlıklar tartışmalı, sıranın sağlamlığı önemli → Monte Carlo simülasyonu (ev sahibi yöntemle birlikte)

Ağırlıklar net, tek bir sıra yeterli → yalnız ev sahibi yöntem

Sıralama değil ağırlık gerekiyor → AHP, BWM, SWARA (öznel) · Entropy, CRITIC (nesnel)

Ağırlık değil kriter kaldırma/ekleme etkisini test etmek isteniyor → CRITERIA-REMOVAL, CROSS-VALIDATION

Monte Carlo simülasyonunun temel üstünlüğü, tek bir ağırlık takımına dayanan bir sıralamanın gizli kırılganlığını ortaya çıkarmasıdır; iki seçenek arasındaki küçük bir fark tek bakışta "kesin" görünse de simülasyon bu farkın ağırlık belirsizliğine ne kadar duyarlı olduğunu gösterir. Hemen her sıralama yöntemiyle (TOPSIS, SAW, VIKOR) birlikte kullanılabilir; yöntemin kendisini değiştirmez, üzerine bir sağlamlık katmanı ekler. Sonuç bir olasılık tablosu olduğu için "kesin birinci" yerine "büyük ihtimalle birinci ama garanti değil" gibi daha dürüst bir dil kurmaya elverir.

Sınırlılıkları büyük ölçüde varsayımlardan gelir. Birincisi, sonuç seçilen belirsizlik dağılımına bağlıdır; dar bir dağılım sahte bir güven verir, aşırı geniş bir dağılım her seçeneği birbirine yakınlaştırıp sağlamlık analizini anlamsızlaştırabilir. İkincisi, hesap yükü ev sahibi yönteme göre bine katlanır; deneme sayısı çok düşük tutulursa olasılık tahminleri kararsız kalır. Üçüncüsü, yalnız ağırlık ya da performans belirsizliğini modeller; ev sahibi yöntemin kendi varsayımlarındaki (örneğin TOPSIS'in tam telafi varsayımı) belirsizliği ele almaz. Dördüncüsü, sağlamlık literatürü stokastik çok kriterli kabul edilebilirlik analizi (SMAA) gibi yakın yöntemlerle birlikte hâlâ gelişmektedir ve bir "en doğru" belirsizlik dağılımı üzerinde uzlaşı yoktur (Tervonen ve Figueira, 2008).

En yaygın hata, belirsizlik dağılımının parametrelerini (kaç deneme, ne kadar geniş bir aralık) belirtmeden "Monte Carlo simülasyonu şunu doğruladı" demektir; bu parametreler seçilen bir karardır ve raporda açıkça yazılmalıdır.

İkinci hata, top-1 olasılığını kesin bir gerçek olasılık gibi sunmaktır; değer yalnız seçilen belirsizlik modeli altında bu seçenek kümesinin göreli davranışını gösterir. Üçüncü hata, deneme sayısını çok düşük tutup (örneğin yüzün altında) sonuçların kararlı olduğunu varsaymaktır. Dördüncü hata, sağlamlık analizini yalnız ağırlıklara uygulayıp performans tablosundaki ölçüm belirsizliğini hiç değerlendirmemektir.

Temel ilke şudur:

Monte Carlo simülasyonu sonucu, seçtiğiniz belirsizlik dağılımının ve deneme sayısının bir özetidir; dağılım gerçekçi değilse sağlamlık iddiası da gerçekçi değildir ve rapor bunu göstermelidir.